AI для анализа КТ: сегментация, детекция, количественный анализ

AI анализ КТ: где ломается ручной контур описаний

В отделении поток, а не отдельные снимки: за смену через врача проходят десятки исследований, в каждом — сотни срезов в нескольких фазах. Пока разбор серий идёт руками, очередь на описание исследований растёт быстрее, чем её разбирают: срочные находки лежат в общей пачке с плановыми, часть исследований уходит на следующий день.

Второе узкое место — воспроизводимость. Одну серию два врача опишут по-разному: границы контура, максимальный линейный размер и объём очага зависят от того, где проведена граница и на каком срезе взят замер. Для пациента это разница в трактовке, для отделения — отсутствие метрик, которые можно сравнить между исследованиями.

Дальше цена только растёт: динамику приходится восстанавливать по тексту описаний, а он не даёт одинаковых чисел от визита к визиту, поэтому о росте или уменьшении образования судят по формулировкам. Нейросеть для КТ здесь работает не вместо врача, а как слой, который сегментирует структуры одним и тем же способом на всех сериях.

AI анализ КТ закрывает три точки: разгружает очередь на описание исследований, убирает разброс разметки за счёт единого алгоритма и даёт повторяемые числовые характеристики для сравнения в динамике. Автоматическое описание КТ в этом контуре — черновик с посчитанными метриками, который врач проверяет и дополняет, а не текст вместо него. Разбираем, как это устроено в работе.

Что даёт автоматическая обработка серий исследований

Серия КТ — это сотни срезов, которые врач обходит вручную: отмечает границы очагов, переносит замеры в протокол. Автоматика снимает эту рутину: сегментация КТ выделяет целевые структуры по всем срезам, количественный анализ КТ считает объёмы и плотностные характеристики по единой методике, а результат ложится в серию DICOM как обычная разметка, поверх которой врач работает привычными инструментами.

Ключевой эффект — воспроизводимость измерений. Один порог, одна геометрия пересчёта, одна версия модели: повторный разбор той же серии даёт тот же результат независимо от того, кто и в какую смену его смотрел. Уходит целый класс повторных просмотров, когда замер переделывают из-за сомнений в разметке, а не из-за новых клинических данных.

Контроль качества модели — постоянный контур, а не проверка на старте. Мы держим регрессионный набор исследований с эталонными масками, при каждом обновлении прогоняем его целиком и смотрим долю расхождений по каждому классу находок: снижение этой доли останавливает выпуск, а не доходит до врача.

В сумме это сжимает время цикла описания: черновик разметки и замеры готовы к моменту, когда врач открывает серию, и остаётся проверить и подтвердить. Спорные случаи по порогу уверенности поднимаются наверх — пропуски, которые раньше всплывали на повторном приёме, ловятся в первом проходе.

Режимы работы модели: пакетный, интерактивный, потоковый

Пакетная обработка КТ — режим для массивов: ночная загрузка архива, ретроспективный разбор накопленных исследований, подготовка выборок для аудита качества. Модель считает очередь без участия врача, результат ложится рядом с серией DICOM и разбирается утром. Ограничение одно, но принципиальное: ответ приходит через часы, а не в момент осмотра.

Интерактивный разбор снимков включают прямо на рабочем месте: врач открывает серию, модель отдаёт маску и количественные метрики за секунды, он правит контуры и подтверждает заключение. Здесь решает не только точность, но и время отклика — если серия обрабатывается дольше нескольких секунд, правки начинают мешать, и режим тихо перестают использовать.

Потоковая обработка исследований ставится на входе в архив: каждое новое исследование уходит в модель сразу после поступления, а результат возвращается в карту пациента до того, как снимки откроет рентгенолог. Такой режим требует запаса под пиковые часы и внятного поведения при сбое — иначе очередь встаёт целиком.

Что выбрать под профиль отделения

Режимы не конкурируют, а сочетаются: потоковый закрывает текущую смену, пакетный — накопленный архив и перепроверку, интерактивный — сложные случаи. Выбор режима работы определяется профилем потока: сколько исследований в сутки, есть ли выраженные пики, готово ли отделение менять регламент. На разборе задачи мы сопоставляем эти параметры с конфигурацией и говорим, какой режим даст результат, а какой создаст лишнюю нагрузку.

Этапы внедрения: от аудита данных до передачи в работу

Порядок этапов здесь не формальность: модель с хорошими цифрами на подготовленном наборе проседает на потоке конкретной клиники — другие аппараты, укладка, толщина срезов. Поэтому внедрение ИИ в диагностику начинаем не с модели, а с аудита данных КТ, и заканчиваем приёмкой на исследованиях, которых она не видела.

Последовательность работ

1. Аудит данных КТ. Смотрим, что накоплено: серии исследований, наличие заключений, распределение по аппаратам, протоколам и классам находок. На выходе — карта пробелов: каких случаев мало и где разметка противоречива.
2. Схема решения и критерии приёмки. Фиксируем, что система считает — контуры, очаги, объёмные показатели, — и показатели качества заранее. Оцениваем на уровне исследования, а не отдельного среза.
3. Разметка по единому протоколу. Спорные случаи уходят на арбитраж, отдельно замеряем согласие между врачами. Если специалисты расходятся между собой, модель точнее их не станет.
4. Настройка на данных клиники. Дообучение под местный парк аппаратов и укладку, с контролем, что модель не запоминает конкретный аппарат вместо признаков патологии.
5. Проверка модели на отложенной выборке. Тесты на исследованиях другого периода, разбор ошибок по подгруппам: мелкие очаги, артефакты, состояние после операций.
6. Встраивание и приёмка решения. Результат появляется там, где врач смотрит снимки, с журналом и отметкой о качестве; приёмка — по согласованным метрикам.
7. Передача в работу. Регламент использования, обучение персонала, разбор типовых ошибок и сопровождение — модель обновляется на новых исследованиях.

Артефакты и регламенты, которые остаются у заказчика

Передача решения — это не архив с весами модели, а комплект, по которому ваша команда сможет эксплуатировать систему без нас: развернуть, обновить, разобрать спорный случай и объяснить проверяющему, откуда взялась цифра в заключении. Ниже — то, что физически остаётся у заказчика после сдачи.

• Документация на модель — на каких исследованиях обучалась, на какой независимой выборке измерялись чувствительность и доля ложных срабатываний, при каких условиях качество падает.
• Схема потоков данных — путь исследования от сканера до рабочей станции: где оно хранится, что уходит на обработку, на каком шаге выполняется обезличивание.
• Интеграция с рабочим местом врача — как разметка и количественные значения появляются в привычном окне просмотра и что видит врач, если сервис анализа недоступен.
• Политики доступа — роли, кому видны исходные исследования и результаты, кто может выгружать, журнал обращений к данным.
• Регламент работы врача — на каких сериях запускать анализ, как читать разметку и оценки объёма, в каких случаях вывод обязательно перепроверяется вручную.
• Регламент разбора ошибок — как фиксируется расхождение, куда попадают спорные случаи и как они влияют на следующую версию модели.
• Конфигурации и восстановление — параметры развёртывания, зависимости, шаги возврата к предыдущей версии, если новая показала себя хуже на ваших данных.

Дополнительно отдаём короткую инструкцию для врача — одна-две страницы без технических деталей — и проводим сессию, где разбираем реальные случаи на ваших исследованиях. Комплект обновляется вместе с моделью: меняется версия — меняются документация и метрики, иначе через полгода никто не вспомнит, на чём считались показатели.

Кейс: сегментация очагов и отчётность в потоке отделения

Клиника с потоком 70–90 исследований грудной клетки за смену: серии приходят в DICOM, читают их по очереди три рентгенолога. Очаги размечались на срезах вручную, протокол писался свободным текстом. Расхождения между врачами по числу и размеру очагов доходили до 18%, а почти каждый четвёртый случай возвращался на перечитку — отчётность отделения закрывалась с задержкой.

Что изменили

Модель сегментации обучили на разметке двух рентгенологов: спорные случаи разбирались до старта, чтобы эталон был согласован, а не «в среднем по больнице». Обработка идёт рядом с рабочим местом — серия уходит на анализ сразу после поступления, маски и количественные показатели накладываются на срезы. Черновик заключения собирается в структурированный шаблон, врач правит формулировки вместо ручного набора.

Метрики до и после снимали на одном и том же потоке: кейс сегментации КТ строился так, чтобы сравнение не размывалось сменой оборудования или протокола сканирования. Модель при этом не ставит диагноз — она отдаёт измеренные объёмы, координаты и динамику относительно предыдущего исследования, а интерпретация остаётся за специалистом.

Чем отличается детекция от сегментации и замеров?

Детекция очагов отвечает на вопрос «есть ли находка и где»: модель возвращает координаты, рамку или карту вероятности. Геометрии она не даёт — объём по такой разметке не посчитать, но приоритизацию потока решает: исследование с подозрительным узлом уходит врачу первым, а серия без находок не занимает очередь. Это самый короткий путь к эффекту, потому что не требует попиксельной разметки на обучении.

Сегментация против детекции — это разница между «где» и «какой формы». Модель обводит контур структуры и отдаёт маску, из которой считаются площадь, объём и распределение плотности. Разметку делает эксперт, а спорные границы — у сосуда, плевры, на мягких тканях — расходятся даже между разметчиками, поэтому мы отдельно проверяем воспроизводимость: два прогона на одном исследовании должны давать близкий контур, иначе объём в динамике ничего не значит.

Измерение объёмов и динамика — третий слой. Он появляется, когда есть маски минимум на двух исследованиях пациента: объём считается по каждой серии, затем серии совмещаются, чтобы сравнение шло по одним анатомическим ориентирам, а не по разнице укладки. Здесь важна не абсолютная цифра, а повторяемость — именно она определяет, можно ли отличить рост образования от погрешности метода.

Выбор метода диктует клинический вопрос, а не качество модели. Для скрининга и сортировки потока достаточно детекции; для планирования вмешательства, оценки ответа на лечение и наблюдения нужна сегментация с замером объёмов. Чаще всего работает каскад: детекция отсекает лишнее и запускает сегментацию только там, где она нужна — качество выше, обработка быстрее.

Ограничения методов и технические сомнения

Разброс аппаратов и протоколов — главный источник деградации качества. Модель, обученная на одном парке сканеров, на другом теряет чувствительность: меняются толщина среза, уровень шума, контрастирование, укладка пациента. Поэтому мы начинаем не с запуска готовой модели, а со статистики по вашему парку и проверки качества данных на выборке исследований.

Ложные срабатывания измеряем не абстрактно, а по цене для врача: сколько лишних находок приходится на одно исследование и сколько времени уходит на их разбор. Порог детекции — управляемый параметр: его смещают либо в сторону полноты, чтобы ничего не пропустить, либо в сторону точности, чтобы отчёт не тонул в шуме. Под каждую задачу подбирается свой режим, и это фиксируется в приёмке.

Где обрабатываются персональные данные?

Контур согласуем до старта: инференс внутри вашего периметра либо на выделенном контуре с обезличиванием на входе — из исследования убираются идентификаторы, остаётся серия изображений. Доступы, журналирование и сроки хранения описываем в регламенте.

Обсудим задачу: как встроить AI в ваш поток исследований

Чтобы оценка проекта опиралась на ваши данные, а не на общие предположения, разговор начинаем с постановки задачи. Пришлите срез потока исследований и то, как он устроен сейчас — по этому видно вариативность протоколов, качество серий и то, где AI даёт выигрыш, а где добавляет врачу лишнюю работу.

Что прислать, чтобы мы вернулись с планом внедрения:

• Выборку исследований за период — 20–50 серий достаточно, чтобы оценить разброс протоколов, толщину срезов и типовые артефакты.
• Описание текущего потока: откуда приходят исследования, где хранятся, в какой системе пишется заключение и что происходит с ним дальше.
• Формулировку клинической задачи — сегментация структуры, детекция очагов или количественный анализ динамики — с указанием, какой ответ считается правильным.
• 5–10 примеров заключений врача: по ним собираем эталон и договариваемся о метрике приёмки, а не о «похоже или не похоже».
• Требования к обработке: работа внутри вашей сети, обезличивание на месте или передача наружу, кто получает доступ к результатам.
• Объём потока и сроки: сколько исследований в день, нужен ли разбор в реальном времени или подходит пакетная обработка.
• Ответственного с вашей стороны, кто подтверждает эталон и принимает результат по каждому этапу.

В ответ присылаем план внедрения: состав этапов, метрики приёмки на каждом из них, схему интеграции с вашим архивом и просмотрщиком, перечень рисков и порядок отката к ручному описанию, если качество на конкретном срезе данных не подтвердится. Опишите задачу — вернёмся с оценкой и планом работ.